[发明专利]基于全矢谱特征提取的机械故障诊断方法和系统

说明书

技术领域

本发明涉及基于全矢谱特征提取的机械故障诊断方法和系统。

背景技术

随着现代工业设备高速化、自动化及集群化方向的快速发展，传统的基于现场的故障诊断技术服务模式由于受到人力、技术及地域的限制，很难满足工业现场诊断实时性的需要。

随着人工智能及网络技术的发展，基于网络技术的智能诊断系统的研究和使用在一定程度上解决了上述传统故障诊断模式的弊端。故障特征能否有效的提取及是否全面直接关系到智能专家系统诊断的正确性及实时性。

当前旋转机械智能诊断专家系统的常用做法如图1所示，在图1中，关键的一步是特征向量提取的有效性：维度过大的特征向量会降低智能诊断的实时性；过少的特征向量不能全面反映设备的状态，进而影响智能诊断的有效性。有效的特征向量输入不仅能综合有效反映设备的真实状态，更能提高后续智能诊断的时效性和正确性。并且，在现有的信号采集过程中，往往采用单一通道对信号进行采集，这样往往由于传感器安装位置的不同而造成不同的诊断结论，如图2所示，诠释了目前单通道信号采集的弊端：图2表示了旋转部件同一截面两个不同通道振动信号相应的幅值谱，若依据x幅值谱可以得到不平衡的诊断结论；若依据y幅值谱则可以得到不对中的诊断结论。

因此，现有特征提取技术大都基于单通道的采集方式，存在的信息量不全及测点不同以致特征量不同的弊端；此外现有旋转机械智能诊断专家系统大都只利用振动特征量，根据只针对振动特征量的诊断方式获取到的诊断结果比较片面，可靠性和准确性较低，该诊断结果无法反映出机械的真实运行状态。

发明内容

本发明的目的是提供一种基于全矢谱特征提取的机械故障诊断方法，用以解决传统的诊断方法准确性较低的问题。本发明同时提供一种基于全矢谱特征提取的机械故障诊断系统。

为实现上述目的，本发明的方案包括：一种基于全矢谱特征提取的机械故障诊断方法，其特征在于，包括以下步骤：

(1)采集机组的振动类参量、工艺类参量和电气类参量；

(2)将振动类参量、工艺类参量和电气类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；

(3)将所述振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对诊断，根据比对诊断结果进行故障诊断。

本发明提供的机械故障诊断方法中，采集机组的振动类参量、工艺类参量和电气类参量，然后将振动类参量、工艺类参量和电气类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；最后将得到的振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对诊断，根据上述三个比对过程得到的比对诊断结果对机械故障进行诊断分析。首先，在数据采集和提取过程中，除了获取振动类参量之外，还获取工艺类参量和电气类参量，结合这三种参量进行机械故障诊断，因此，相较于传统的只利用振动参量进行的诊断方式，本发明提供的诊断方法更加全面，根据多方位的数据信息诊断机械的运行状态，大幅度提升诊断可靠性和准确性，诊断结果能够反映出机械的真实运行状态，避免传统机械智能诊断时特征量过于单一的弊端。而且，各特征量与相应的知识库进行比对，找到知识库中对应的比对结果，也就对实际采集到的数据相对应的故障诊断结果，因此，该诊断方法的可靠性和准确性得到进一步提升。该诊断方法有效替代人工诊断的同时，还能有效利用全面反映监测对象的电气、工艺等特征量，有效提高诊断结论的正确性及实时性。

采用分别设置在x轴和y轴的检测设备检测机组的振动类参量，并采用全矢谱同源融合技术对振动类参量进行故障特征提取。

采用基于双通道传感器采集的方式对同一测点进行采集，可以避免传统单通道模式信息采集的片面性，并且，采用基于双通道同源信息融合的全矢谱相关技术可提取出更能真实反映机组运行状态的特征量：如主振矢可以实时监测机组某个部件的振动最大值，减少误报漏报率；轴心轨迹更能反映转子的故障类型等。利用全矢谱相关技术对旋转机械故障敏感特征量进行有效提取，可以有效压缩输入特征量的维数，进而可以有效提高诊断的实时性；此外，故障特征量的有效提取更利于提高诊断的正确性。

所述步骤(1)中，采集到的机组的相关数据分别是转子的数据信息、齿轮的数据信息和滚动轴承的数据信息，转子的数据信息、齿轮的数据信息和滚动轴承的数据信息均包括对应部件的振动类参量、工艺类参量和电气类参量。